Sviluppo e implementazione di strategie di controllo avanzato per la gestione energetica di un cluster di edifici non residenziali = Development and implementation of advanced control strategies for the energy management of a cluster of non-residential buildings

Il settore edilizio è uno dei maggiori consumatori di energia, pertanto esso gioca un ruolo significativo nella transizione verso un sistema energetico più sostenibile. In questo quadro è ormai imperativa una crescente penetrazione delle fonti di energia rinnovabile per soddisfare questa crescente richiesta in modo sostenibile. Tuttavia, come è noto, queste fonti sono variabili e aleatorie, ed è necessario gestirle per massimizzarne l’utilizzo ed evitare che possano indurre instabilità nella rete elettrica. A seguito dell'aumento della complessità e della capacità degli edifici di interagire con la rete, l'integrazione di strategie di controllo avanzato sta emergendo come una necessità per ottimizzare tale gestione e come soluzione per abilitare la flessibilità energetica. In questo contesto, in questa tesi sono analizzati i benefici derivanti dall’implementazione di una architettura di controllo basata su algoritmi di Reinforcement Learning (model-free) per la gestione energetica di un distretto di edifici. Il caso studio riguarda un cluster di edifici non residenziali, per i quali è nota la domanda di energia per il servizio di raffrescamento. L'impianto di raffrescamento di ciascuna struttura edilizia, costituito da una pompa di calore elettrica aria-acqua e da un serbatoio di accumulo termico, è stato modellato utilizzando il software open-source OpenModelica. Inoltre, il cluster di edifici preso in esame è dotato di un impianto fotovoltaico centralizzato abbinato ad un sistema di accumulo a batterie. L'integrazione tra OpenModelica ed il sistema di controllo avanzato è stata realizzata mediante la creazione di un ambiente di co-simulazione in Python, utilizzando la Functional Mock-up Interface standard. In questo modo è stato possibile testare l'efficacia del controllore in un ambiente virtuale, esplorando svariati scenari operativi, e confrontare le prestazioni ottenute con una baseline, rappresentata da un controllo tradizionale di tipo reattivo. Le diverse strategie di controllo vengono confrontate attraverso l'analisi di vari indicatori chiave di prestazione. Grazie alle molteplici leve di flessibilità, il controllo avanzato basato su Reinforcement Learning ha dimostrato di poter contribuire a ridurre il picco di domanda elettrica, aumentare l'autoconsumo e ridurre i costi energetici complessivi, rendendo il cluster di edifici decisamente più versatile nella gestione dell’energia e nel fornire servizi alla rete elettrica. I risultati del lavoro di tesi mettono in evidenza il notevole potenziale delle strategie di controllo che sfruttano l'intelligenza artificiale per ottimizzare la gestione energetica a livello di distretto e l’efficacia di strumenti di co-simulazione per testare le relative prestazioni in diversi scenari.